arXiv new; V-JEPA/video self-supervised world model · P0 · 2026-06-27

Neural Voxel Dynamics：它和通用视觉自监督的关系在于：用 V-JEPA semantic features 构建 3D latent dynamics，是视频 SSL 与 world model 的强交叉

高相关；详见方法、贡献和实验边界。

Neural Voxel Dynamics: Learning Implicit 3D Physics via Volumetric Feature Advection　arXiv new; V-JEPA/video self-supervised world model　原文链接

编号2606.26410 优先级P0 类别arXiv new; V-JEPA/video self-supervised world model 会议arXiv new; V-JEPA/video self-supervised world model 方法用 V-JEPA semantic features 构建 3D latent dynamics，是视频 SSL 与 world model 的强交叉来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：用 V-JEPA semantic features 构建 3D latent dynamics，是视频 SSL 与 world model 的强交叉。高相关；详见方法、贡献和实验边界。

**Figureure 2 · : Neural Voxel Dynamics**Figure 2: Neural Voxel Dynamics. By lifting 2D semantic features into a 3D latent voxel grid, our generative feature advector $f _ { \theta }$ learns to implicitly simulate action-conditioned physics directly in the latent space via flow matching; the model (comprising multiple stages of local attention and temporal attention layers, see section A.3) is supervised with solely video-derived signals.这张可视化用来解释 Neural Voxel Dynamics 学到的中间表征或对齐关系。重点看它是否支持正文里的机制判断。

**Figureure 4 · : Our predictor model pipeline**Figure 4: Our predictor model pipeline这张图概括 Neural Voxel Dynamics 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

核心问题

它和通用视觉自监督的关系在于：用 V-JEPA semantic features 构建 3D latent dynamics，是视频 SSL 与 world model 的强交叉。

方法拆解

用 V-JEPA semantic features 构建 3D latent dynamics，是视频 SSL 与 world model 的强交叉

主要贡献

高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。